1、       工业革命和智能制造

1.1 全球制造业发展

中国：智能、绿色、高质量

中国正通过“十四五”智能制造发展规划，推动制造业的数字化、网络化、智能化变革。政策强调了智能制造的重要性，提出了到2025年70%的规模     以上制造业企业基本实现数字化网络化的目标，并计划建设500个以上的智能制造示范工厂。

中国制造2025 是中国政府实施制造强国战略第一个十年的行动纲领。旨在强化工业基础能力，提高综合集成水平，完善多层次多类型人才培养体系，促进产业转型升级，培育有中国特色的制造文化，实现制造业由大变强的历史跨越。

美国：本土化、供应链、工业互联网

美国在制造业方面的政策着重于推动产业链的回迁和“再工业化”，并      通过“工业互联网”战略，利用网络实体系统(CPS)来整合传统制造业体系，   加速创新研发与应用，以保持全球竞争力。

美国工业互联网战略旨在将智能设备、人和数据连接起来，并以智能的方式利用这些交换的数据，促进物理和数字世界的融合。新型工厂将通过互联网，实现内外服务的网络化，向互联工厂的趋势发展。

德国：IOT（物联网）、创新、维持领先

德国以其“工业4.0 ”战略而闻名，该战略侧重于智能制造和网络物理系统的整合，以提高制造业的效率和竞争力。德国的政策也着重于通过技术创新和产业现代化来维持其制造业的领先地位。

德国工业4.0战略 旨在通过充分利用信息通讯技术和网络空间虚拟系统—信息物理系统（Cyber-Physical System) 相结合的手段，将制造业向智能化转型。

1.2 A I赋能制造业的关键技术

卷积神经网络

优化计算、自动特征提取的算法，权重分配需调参数，弱可解释性 GPU依赖，视频分析与分类、图片分析与识别。

特征处理+池化，大数据量的图片有效的降维成小数据量，输入-对应输出。

深度强化学习

没有数据和标签，通过智能体和环境进行交互学习，不断优化策略探索未知，弱可解释性 算力 模型训练难度。

不断学习新的策略进行行动的系统，包括游戏AI、自动驾驶、机器人控制、金融交易，深度学习的感知能力+强化学习的决策能力。

循环神经网络

有效的处理序列数据的算法，LSTM长短期记忆网络，文本生成、语音识别、图的描述和理解，视频标记、机器翻译、实时会议纪要、关键词。

与时间进行同步和数据对齐，增加了一个隐藏层。

股票的预测、情感分析、自然语言对话包括游戏AI、自动驾驶、机器人控制、金融交易、现在几点、会议/文章。

生成式对抗网络

数据局限，对抗方式生成新样本，图像生成，艺术品生成，音乐生成和视频生成。

生成器网络+鉴别器网络。从卷积神经网络，递归神经网络到自动编码器。在这种配置中，生成-鉴定-判断-产出。

1.3 智能制造的理解

• 两个体系：技术支持体系和标准体系

在技术支持体系中，工业物联网、云计算、移动应用、工业大数据是连接和计算的基础，优化生产、智能装备、智能服务、工厂信息安全、知识自动化是五大支撑技术，数字孪生和人工智能是面向未来的两大牵引技术。

在标准体系中，依据工业制造特征，构建智能工厂标准体系三维模型，包括管理维度、业务维度和技术维度。其中，管理维度以采用国家标准和自建为主；业务维度与制造行业业务紧密度高，具有行业特色，主要以自建为主；技术维度以采用国家标准为主。

• 三个方面智能化

运营智能化、生产智能化、产品智能化。

• 五化体现：智能工厂渗透到企业生产经营各个环节，支撑创新的业务新模式。企业的智能化主要体现数字化、集成化、模型化、可视化、自动化五个方面。

数字化：物料、产品、设备、环境、人员的全面数字化。

集成化：信息集成、服务集成、应用集成；工艺过程集成、业务流程集成、上下游各环节集成。

模型化：基于工艺模型、业务模型、机理模型、优化模型、设备三维模型、专家知识的预测预警、模拟、分析和优化。

可视化：工厂的二、三维全方位视图，移动终端、仪表盘等多种展现方式，实体工厂与虚拟工厂的融合。

自动化：对生产过程和环境的自动控制、自诊断、自学习、自适应。

• 六类使用场景

服务：在线诊断等新业务模式的能力，客户互动和敏捷服务能力，产品生命周期追溯。

成本：成本控制，成本管理能力，成本精细化管理能力。

研发：技术研发能力，协同研发设计能力，在线异地协同开发，研发制造一体化能力。

市场：渠道建设能力，平台直销能力，客户需求实时感知、响应、服务能力。

产品：规划化生产能力，按用户订单柔性生产能力，个性化定制生产能力。

质量：质量检验能力，全面的质量管控能力，在线分析优化能力，全产业管控能力。

2、       制造业的场景探讨

制造业核心场景可参考《制造业企业数字化转型实施指南》，将场景划分为研发设计、生产制造、运维服务、经营管理、供应链管理等，同时区分跨环节协同类。共6个部分：

2.1 研发设计

利用计算机辅助设计、数字化仿真、数字样机、模型驱动设计等数字技术和工具，开展产品样品或服务样例设计和仿真，包含产品平台化设计、产品协同测试验证、产品工艺虚拟仿真、产线及工厂三维优化设计等细分场景。

2.2 生产制造

利用物联网、计算机辅助生产、数字化制造执行系统等数字技术和工具，将原材料、零部件、能源、信息等批量转化为产品或服务，包含多工厂/多基地协同排产、生产工艺优化、质量智能检测、远程能耗监测、安环监测与监管等细分场景。

2.3 运维服务

利用互联网连接、数字化售后服务等，开展企业设备健康管理，并为客户提供产品售后跟踪和技术支持，包括设备在线监测维护、产品运维及后市场服务等细分场景。

2.4 经营管理

利用数字化技术手段和信息管理系统，对企业经营过程进行计划、组织、指挥、协调和控制，包括财务智能化管理、客户洞察与营销管理、人员数字化管理等细分场景。

2.5 供应链管理

利用物联网、大数据、人工智能等数字技术和企业资源计划（ERP）、供应链管理（SCM）、客户关系管理（CRM）等数字化工具，对产品从原材料采购到产品质量追溯全流程的计划、过程进行管理，包括多级供应商管理、无人仓储及智能物流、供应链产品质量追溯、供应链断链预测预警等细分场景。

2.6 跨环节协同

应用数据集成、模型打通等方式，联通企业不同业务管理环节，实现跨环节整体协同优化，包括基于系统工程（MBSE）的产品全生命周期管理、基于从消费者到生产者（C2M）的大规模定制化生产等细分场景。

2.7 制造业智能化场景列表

3、       制造行业AI应用的核心价值

制造行业AI应用：提升研发生产与运营效率，提升产品核心竞争力与质量，实现可持续发展。

3.1 制造行业是加快建设现代化产业体系的重要支撑

增强制造行业全价值链条数智化能力，全面提升智能制造整体水平与实力。制造行业在IT与数字化等基础设施建设方面，尤其是面临不同行业、不同类型与规模企业的能力不均衡，相应地，制造行业数智化升级也就面临更大挑战，需要政府、行业核心企业和科技企业共同以生态搭建协同运营等方式，来加速推动制造行业数智化升级与AI应用落地。人工智能在推动制造行业数智化转型过程中的核心价值：

•通过自动化实现制造行业常规流程和任务，提高生产和运营效率

•通过数据分析与建模发现质量缺陷，预测潜在问题，并通过优化工艺和生产参数来提高生产质量

•通过优化生产计划、材料以及能源使用等，提高能源使用效率，降低废品率，实现可持续发展

•通过引入人工智能进入产品研发流程，提升研发效率，缩短研发周期

3.2 AI+工业互联网重构传统制造形态

实现全要素、全流程、全生命周期以及全价值链的互联互通与高效决策。目前工业互联网已经形成六大类典型应用模式，各模式中均深度融合AI技术，能够拓展智能工厂各项能力建设，在推动模式创新的同时将核心业务链条中的创新进行集成，从而实现系统性创新。

制造业AI应用需要结合场景进行建模与优化，以工业互联网为基础的智能工厂是AI在制造业落地实践的最佳形式。

•人工智能与工业知识的结合能够构建各类工业机理模型，嵌入智能工厂重点领域与场景，加速协同与创新

•由于智能工厂环节多，系统复杂度高，工业AI的开发与应用须依托工业互联网方可实现创新在效率的预期目标。

3.3 人工智能与制造机理深度融合驱动智能工厂多层次创新

在制造业迎来“数字化、网络化、智能化”为发展方向的变革中，以人工智能为代表的数智技术与制造机理深度融合，构建智能制造发展范式，已经成为加快制造业高质量发展和建设新型工业化的重要抓手。通过AI在关键环节的赋能作用，智能工厂实现了生产、管理、服务的智能化，推动了产业模式向服务型制造转变，助力制造业实现数字化端到端集成，促进协作与资源共享，为未来制造业发展注入新的动力。